- •200106 «Информационно-измерительная техника и технологии»
- •Введение
- •1.2. Сигналы
- •1.3. Преобразование измерительных сигналов
- •1.4. Спектр периодических сигналов
- •1.5. Модуляция
- •1.5.1. Амплитудная модуляция
- •1.5.2. Частотная модуляция
- •1.5.3. Фазовая модуляция
- •1.5.4. Двукратные виды модуляции
- •1.6. Квантование
- •1.6.1. Квантование по уровню
- •1.6.2. Квантование по времени
- •1.6.3. Квантование по уровню и времени
- •1.7. Кодирование
- •1.7.1. Цифровые коды
- •1.7.2. Помехи
- •1.8. Модель канала
- •Раздел 2 измерительные каналы и их разделение
- •2.1. Канал связи и его характеристики
- •2.2. Согласование канала с источником информации
- •2.3. Линии связи для передачи измерительной информации
- •2.4. Структуры линий связи
- •2.5. Многоканальные системы для передачи измерительной информации
- •2.6. Погрешность систем с частотным разделением каналов
- •2.7. Погрешности систем с временным разделением каналов
- •Раздел 3 принципы обработки данных
- •3.1. Виды погрешностей
- •3.2. Обработка результатов измерений. Оценки измеряемой величины
- •3.3. Обработка результатов прямых равноточных измерений
- •3.4. Обработка результатов косвенных измерений
- •3.5. Обработка результатов совместных измерений
- •3.6. Обработка результатов неравноточных измерений
- •3.7. Проверка статистических гипотез
- •3.7.1. Проверка соответствия гипотезы и экспериментальных данных
- •3.7.2. Исключение резко отклоняющихся значений
- •3.8. Построение эмпирических распределений
- •3.9. Критерии согласия
- •3.9.1. Критерий согласия Пирсона
- •3.9.2. Критерий согласия Колмогорова
- •Раздел 4 планирование многофакторного эксперимента
- •4.1. Задачи планирования эксперимента
- •4.2. Пассивные эксперименты
- •4.3. Дисперсионный анализ
- •4.4. Регрессионный анализ
- •4.5. Активный эксперимент
- •4.6. Полный факторный эксперимент
- •4.7. Дробный факторный эксперимент
- •4.8. Устранение влияния временного дрейфа
- •4.9. Проведение факторного эксперимента и обработка его результатов
- •4.10. Оптимизация
- •4.11. Рандомизация
- •Раздел 5 введение в алгоритмическую теорию измерений
- •5.1. Вводные замечания
- •5.2. Развитие понятий числа и измерения величин
- •5.3. Теория шкал и алгоритмические измерения
- •5.4. Алгоритмы измерения в номинальной шкале, аддитивной и порядка
- •5.5. Моделирование цифровых алгоритмических измерений
- •5.6. Эквивалентность между фильтрацией и алгоритмическим измерением
- •5.7. Моделирование сигналов. Дискретизация
- •5.7.1. Модели дискретизации аналогового сигнала
- •5.7.2. Дискретизация с усреднением
- •5.7.3. Дискретизация сигналов конечной длительности
- •5.8. Цифровое представление информации
- •5.9. Системы счисления с иррациональными основаниями
- •5.9.1. Золотая пропорция
- •5.9.2. Числа Фибоначчи
- •5.9.4. Код золотой p-пропорции
- •5.10. Общий алгоритм метрологического кодирования
- •5.10.1. Алгоритм Стахова
- •5.10.2.Фибоначчиевы алгоритмы цифрового метрологического кодирования
- •Раздел 6 введение в информационную теорию измерений
- •6.1. Основные положения теории информации
- •6.1.1. Энтропия
- •6.1.2. Единицы измерения энтропии
- •6.1.3. Условная энтропия (энтропия помехи)
- •6.1.4. Суммирование нескольких погрешностей
- •6.1.5. Явление «краевой эффект». Приближенность информационных оценок каналов передачи информации
- •6.1.6. Основные положения теории информации для характеристики процесса измерения
- •6.2. Сущность измерения
- •6.2.1. Понятие натурального ряда однородных величин
- •6.2.2. Понятие шкалы реперов измеряемой величины
- •6.2.3. Измерение как сужение интервала неопределенности
- •6.3. Измерительные преобразования, функциональные шкалы, единицы измеряемой величины
- •6.3.1. Функциональная шкала измеряемой величины
- •6.3.2. Понятие единицы измерения
- •6.3.3. Метод построения измерительных устройств
- •6.4. Измерительные преобразования и преобразователи
- •6.5. Энтропийное значение погрешности
- •6.5.1. Математическое определение энтропийного значения погрешности
- •6.5.2. Эффективное значение погрешности
- •6.6. Сравнение энтропийного и среднеквадратического значений погрешности для плавных симметричных одномодальных законов распределения погрешностей
- •6.7. Энтропийное значение погрешности – основной критерий точности приборов и измерений
- •6.8. Определение энтропийного значения погрешности на практике
- •6.9. Суммирование погрешностей измерительных устройств
- •6.10. Статистическое суммирование погрешностей при наличии корреляции
- •6.11. Энтропийное значение результирующей погрешности
- •6.12. Суммирование погрешностей с равномерными законами распределения вероятностей
- •6.13. Суммирование погрешностей при равномерном и нормальном законах распределения составляющих результирующей погрешности
- •6.14. Суммирование погрешностей при произвольной степени корреляции и произвольных законах распределения вероятностей составляющих результирующей погрешности
- •И объемов (n) выборок
- •Интервала
- •Оглавление
3.2. Обработка результатов измерений. Оценки измеряемой величины
Измерения являются средством получения информации о тех или иных свойствах реальных физических объектов, о закономерностях протекающих процессов и т.п. Разнообразие задач, решаемых с помощью измерений, определяет разнообразие видов обработки результатов измерений. Так как все измерения сопровождаются случайными погрешностями, то обработка результатов измерений всегда включает в себя операции над случайными величинами или случайными процессами, выполняемые на основе методов теории вероятностей и математической статистики.
Пример 3.2.1. Пусть производятся прямые измерения физической величины, истинное значение которой равно а. Если выполнено единственное измерение, результат которого равен x, то задача обработки не возникает. Экспериментатор может только оценить предельно допускаемую погрешность на основе норм на метрологические характеристики используемых средств измерений. Предположим, что в тех же условиях выполнены п аналогичных измерений, результаты которых равны х1, х2, ..., хп.
Разность представляет собой погрешность i-го измерения и является случайной величиной. Очевидно, что первая задача экспериментатора состоит в нахождении оценки измеряемой величины а. Эта оценка может быть получена только путем выполнения математических операций над результатами х1, х2, ..., хп и, следовательно, является случайной величиной, которая должна в некотором смысле наилучшим образом приближаться к значению измеряемой величины. Таким образом, прежде чем получить формулу для вычисления оценки , необходимо сформулировать критерий, характеризующий качество той или иной оценки.
Дополнительная измерительная информация, полученная путем проведения п измерений, дает возможность более точно оценить значение измеряемой величины, оценить параметры закона распределения случайной погрешности, проверить некоторые предположения (гипотезы) относительно этих величин.
Пример 3.2.2. Производятся совместные измерения температуры t терморезистора и его сопротивления Rt при этой температуре с целью установить зависимость Rt = R(t). Предположим, что известен линейный характер этой зависимости, т.е.
, (3.2.1)
где – сопротивление терморезистора при температуре ; – температурный коэффициент сопротивления.
Для решения поставленной задачи необходимо проведение минимум двух опытов при температурах t1 и t2, результаты которых можно представить в виде следующей системы уравнений:
(3.2.2)
В результате решения системы (3.2.2) находим оценки параметров Rt0 и . Очевидно, что, кроме решения указанной системы уравнений, никакие другие задачи, связанные с обработкой результатов измерений, в данном случае не возникают. Положение существенно меняется, если, кроме двух описанных выше измерений, выполняются еще дополнительные измерения при других значениях температуры. Пусть проведено п опытов при разных температурах, результаты которых запишем в виде системы п уравнений:
(3.2.3)
Так как результаты измерений являются случайными величинами, то система уравнений (3.2.3) является несовместной, т.е. нет таких значений параметров Rt0 и , которые удовлетворяли бы всем уравнениям системы. Поэтому и в данном случае экспериментатор должен найти такие оценки и искомых параметров, которые в некотором смысле наилучшим образом приближали бы полученную линейную функцию ко всей совокупности экспериментальных данных.
Как и в предыдущем примере, получение путем проведения дополнительных опытов измерительной информации позволяет повысить точность оценок искомых параметров линейной зависимости, оценить уровень погрешности измерений и погрешностей полученных оценок параметров, проверить те или иные гипотезы и т.п.
Чтобы оценка некоторой измеряемой величины (параметра) а была в каком-то смысле «доброкачественной», она должна удовлетворять следующим требованиям: оценка должна быть состоятельной, несмещенной и эффективной.
Оценка называется состоятельной, если при увеличении числа опытов п оценка приближается к истинному значению а.
Оценка называется несмещенной, если ее математическое ожидание М[ ] равно истинному значению а, т.е. М[ ] = а. Очевидно, что если оценка несмещенная, то она не содержит систематической погрешности.
Оценка называется эффективной, если по сравнению с другими она обладает наименьшей дисперсией, т.e. D[ ] = min.
На практике не всегда получают оценки, удовлетворяющие всем перечисленным требованиям. Для упрощения вычислений иногда допускают некоторую смещенность оценки или используют, строго говоря, неэффективную оценку, однако во всех подобных случаях необходимо оценить степень ухудшения получаемой оценки по сравнению с наилучшей.
Получение «доброкачественных» оценок требует определения критерия их сравнения. Если такой критерий установлен, то наилучшей оценкой будет та, которая обеспечит экстремум этого критерия.
Наибольшее распространение в практике получили следующие методы нахождения «доброкачественных» оценок: наименьших квадратов и максимального правдоподобия.
В методе наименьших квадратов в качестве критерия сравнения оценок используется сумма квадратов отклонений результатов измерений от полученной оценки измеряемой величины (или функции). Так, в примере 1 наилучшая оценка а должна удовлетворять условию
, (3.2.4)
а в примере 2 условие оптимальности оценок Rt0 и примет вид
. (3.2.5)
В методе максимального правдоподобия в качестве критерия оптимальности оценок используется функция правдоподобия, представляющая собой плотность вероятности всей совокупности экспериментальных данных. Искомые оценки находятся из условия максимума функции правдоподобия, что фактически соответствует максимуму вероятности получения именно тех результатов измерений, которые были получены в опытах. Вычисление функции правдоподобия требует знания вида закона распределения погрешности измерений. В этом и состоит принципиальное отличие критерия максимального правдоподобия от критерия наименьших квадратов. Оценки, получаемые этими методами, совпадают в том случае, когда погрешность имеет нормальный закон распределения.
Наряду с получением оценки искомой величины в виде одного числа (так называемое точечное оценивание) широкое распространение получило оценивание с помощью доверительных интервалов.
Доверительным интервалом называется интервал значений оцениваемой величины, который с заданной вероятностью (доверительной вероятностью) накрывает истинное значение этой величины. Доверительный интервал является случайным интервалом: случайно его положение, определяемое точечной оценкой величины, случайна и длина интервала, вычисляемая, как правило, по опытным данным.
Необходимо обратить внимание на то, что окончательные результаты обработки измерительной информации, представляемые в виде чисел, должны быть округлены в соответствии с установленными правилами. В основе правил округления лежит утверждение, что числовое значение результата измерения должно быть представлено так, чтобы оно оканчивалось десятичным знаком того же разряда, что и значение его погрешности. Большее число разрядов нецелесообразно, так как неопределенность результата, определяемая погрешностью, при этом не уменьшится. При уменьшении числа разрядов неопределенность результата увеличится.